DeepSeek+Claude Code自动搭建Simulink模型原理详解

最近，用AI大模型自动生成Simulink仿真模型成为工程领域的热门话题。不少博主已经展示了搭建流程，但很多人看完仍然一头雾水——为什么要装这些工具？它们之间到底是什么关系？本文将从原理层面帮你彻底理清这套工具链的逻辑。

AI自动搭建Simulink模型的实际效果

据B站UP主的实测，分别使用Claude Code和DeepSeek^广告两种方案，让AI自主搭建生成Simulink模型，两种方案对应的结果仿真都没有报错，但都存在一些问题，不能完全正常运行。

这说明当前AI自动搭建Simulink模型的技术仍处于早期阶段，后续还有很大的提升空间。但理解其底层原理，对于我们跟进技术演进、灵活应对需求变化至关重要。如果不理解原理，一旦需求发生变化，就会立刻变得手足无措。

什么是Simulink？为什么值得用AI来自动搭建？

在深入工具链之前，有必要先理解Simulink本身。Simulink是MathWorks公司开发的基于图形化编程的多域仿真和基于模型设计的工具，广泛应用于汽车、航空航天、工业控制等领域。与传统的文本编程不同，Simulink采用模块化的拖拽式建模方式，工程师通过连接功能模块（如积分器、传递函数、信号源、示波器等）来构建系统的动态仿真模型。

Simulink自1984年首次发布以来，已经发展成为全球工业仿真领域的事实标准之一。它基于MATLAB计算环境运行，支持连续时间、离散时间和混合信号系统的仿真。在汽车行业，Simulink被广泛用于发动机控制策略开发、自动驾驶算法验证和整车能量管理；在航空航天领域，波音、空客等企业使用Simulink进行飞控系统的模型在环（MIL）和硬件在环（HIL）测试。Simulink的核心优势在于其支持自动代码生成——通过Embedded Coder等工具箱，仿真模型可以直接生成可部署到嵌入式控制器上的C/C++代码，这使得从设计到量产的V字型开发流程得以贯通。

一个典型的Simulink模型可能包含数百个模块和复杂的层级子系统，手动搭建不仅耗时，而且容易在连线和参数配置上出错——正因为Simulink模型承载了如此关键的工程价值，用AI自动化其搭建过程才具有巨大的实际意义，这也是AI自动化介入的核心价值所在。

五大核心工具及其协作关系

整套方案涉及五个关键工具：DeepSeek、Claude Code、SiliconFlow（视频中称SysSwitch）、Simulink Agentic Toolkit以及Git。理解它们各自的角色和协作关系，是掌握整套流程的关键。

DeepSeek：性价比之选的推理引擎

DeepSeek在这套方案中扮演的是核心推理引擎的角色，相当于整个系统的"大脑"。之所以选择DeepSeek而非其他模型，核心原因在于其价格更便宜、性价比更高，适合承担大量的模型生成任务。

在Simulink模型自动搭建这类场景中，AI需要反复进行代码生成、逻辑推理和参数计算，调用次数多、Token消耗大。这里需要解释一下Token的概念：Token是大语言模型处理文本的基本计量单位，大致相当于一个英文单词或2-3个中文字符。每次调用大模型API时，输入的提示词和输出的生成内容都会消耗Token，而API服务商按Token数量计费。在自动搭建Simulink模型的过程中，AI需要生成大量的MATLAB脚本代码（如add_block、add_line等Simulink API调用），加上多轮对话的上下文累积，单次任务的Token消耗可能达到数万甚至数十万。因此，使用DeepSeek可以显著降低成本，这对于需要频繁迭代调试的工程任务来说非常实际。

从技术架构来看，DeepSeek-V3采用了混合专家（MoE，Mixture of Experts）架构，这种架构的核心思想是模型内部包含多个"专家"子网络，每次推理时只激活其中一部分，从而在保持高性能的同时大幅降低了计算资源消耗和推理成本——这也是DeepSeek能够提供极具竞争力价格的技术根源。而Claude系列模型在代码理解和生成方面的优势，则部分来自Anthropic在RLHF（基于人类反馈的强化学习）阶段对代码任务的专门优化。两者在预训练阶段都学习了海量的MATLAB/Simulink相关文档、代码示例和技术论坛讨论，这是它们能够生成Simulink建模代码的根本基础。

Claude Code：自然语言理解与代码生成的前端

Claude Code主要用来理解用户的自然语言需求，作为对话界面它非常优秀。用户可以用自然语言描述想要搭建的Simulink模型，Claude Code负责将这些需求转化为具体的技术指令。

有意思的是，Claude Code本身也可以直接充当"大脑"来完成核心的代码生成任务，因为它的代码编辑能力更强。这就是视频中提到的第一种方案——全部用Claude Code完成，效果可能更好，但价格也会更贵。所以两种方案的本质区别在于：

• 方案一：Claude Code全权负责（效果更好，成本更高）
• 方案二：Claude Code做前端理解 + DeepSeek做后端生成（性价比更高）

SiliconFlow：多模型调度的统一接口

SiliconFlow（硅基流动）是一个多模型调度平台，可以理解为一个"万能插座"。接入对应的API Key，就可以调用不同的AI模型。它解决的是模型切换和统一接口的问题——你不需要分别对接每个AI厂商的API，通过SiliconFlow一个平台就能灵活调度DeepSeek、Claude等多种模型。

从技术角度看，SiliconFlow这类中间层平台之所以能实现多模型统一调用，关键在于OpenAI API格式已成为行业事实标准。这套RESTful API规范定义了/chat/completions等标准端点，以及messages数组、temperature、max_tokens等统一参数格式。国内外主流大模型厂商（包括DeepSeek、智谱、百川等）几乎都提供了兼容OpenAI格式的API接口。SiliconFlow作为中间层，不仅提供了接口转发和统一鉴权，还实现了智能路由、请求队列管理、故障转移等高级功能。这种中间层架构在微服务领域被称为API Gateway（API网关）模式，它将调用方与服务提供方解耦，使得底层模型的更换对上层应用完全透明。

这意味着开发者只需要掌握一套API调用规范，就能无缝切换底层模型。这在实际工程中非常有价值：不同模型在不同任务上各有优劣，例如某些模型擅长代码生成，某些模型在逻辑推理上更强。通过统一接口，开发者可以根据任务特点灵活选择最合适的模型，同时也便于进行成本优化和负载均衡，避免了为每个模型厂商单独适配接口的繁琐工作。

Simulink Agentic Toolkit：连接AI与Simulink的桥梁

这是整套方案中最关键的"胶水层"。Simulink Agentic Toolkit是MathWorks官方提供的工具包，它的作用是在AI和Simulink软件之间建立连接，让AI能够真正操作Simulink来搭建仿真模型。

这里的"Agentic"一词来源于当前AI领域最热门的概念之一——AI Agent（智能体）。AI Agent不同于传统的对话式AI，它具备自主规划、工具调用和环境交互的能力。AI Agent的核心技术框架通常包括规划（Planning）、记忆（Memory）和工具使用（Tool Use）三大能力。在Simulink自动搭建场景中，AI Agent需要先将用户的高层需求分解为具体的建模步骤（规划），记住已创建的模块和连接状态（记忆），然后通过Simulink Agentic Toolkit提供的函数接口执行操作（工具使用）。这种工具调用机制通常基于Function Calling协议——AI模型在生成回复时，不是直接输出文本，而是输出结构化的函数调用请求（包含函数名和参数），由外部系统执行后将结果返回给模型，形成"思考-行动-观察"的循环，这正是ReAct（Reasoning and Acting）框架的典型体现。

在这套方案中，AI不仅仅是"回答问题"，而是像一个具备操作能力的智能体，能够调用Simulink的MATLAB API（如new_system创建模型、add_block添加模块、set_param设置参数、add_line连接信号线等）来实际执行建模操作。MathWorks推出这一工具包，标志着传统工业软件厂商正在主动拥抱AI Agent生态。

没有这个工具包，AI只能生成代码文本，无法直接在Simulink中创建模块、连线、设置参数。有了它，AI的输出才能转化为实际可运行的Simulink模型文件。这也是为什么很多人照着教程装了一堆东西却不理解目的——Toolkit就是那个让AI"手脚"能够触达Simulink的关键组件。

Git：版本控制的安全网

Git在这套流程中担任版本控制系统的角色，能够记录每一次的改动。Git是目前最主流的分布式版本控制系统，由Linux之父Linus Torvalds于2005年创建，它通过记录文件的每一次变更快照，使开发者可以在任意历史版本之间自由切换。

在AI自动搭建模型的过程中，模型会经历多次迭代和修改，万一某次修改导致问题恶化，可以随时恢复到之前正常的状态。这一点在AI辅助开发中尤为重要，因为大模型的输出具有内在的随机性——即相同的提示词可能产生不同的结果，AI在迭代修改模型时可能引入意料之外的变更甚至破坏性修改。Git的分支和回滚机制为这种不确定性提供了可靠的安全保障，工程师可以大胆让AI尝试不同方案，随时回退到已验证的稳定版本，试错成本大大降低。

工具链协作的完整逻辑

梳理完五个工具的角色，整体协作逻辑就清晰了：

1. 用户通过Claude Code用自然语言描述需求
2. Claude Code理解需求后，通过SiliconFlow调度DeepSeek（或自身）进行核心的模型生成推理
3. AI生成的指令通过Simulink Agentic Toolkit传递给Simulink软件，完成实际的模型搭建
4. Git全程记录版本变更，确保可回溯

这就像一条完整的流水线：自然语言输入 → 需求理解 → 模型调度 → 代码生成 → Simulink操作 → 版本记录。

从架构设计的角度来看，这套工具链体现了当前AI应用开发的典型模式：前端交互层（Claude Code）+ 模型调度层（SiliconFlow）+ 推理计算层（DeepSeek/Claude）+ 工具执行层（Simulink Agentic Toolkit）+ 版本管理层（Git）。每一层各司其职，松耦合的设计使得任何一层都可以独立替换升级，这也是理解原理比死记步骤更重要的原因。

当前局限与未来展望

从实测结果来看，AI自动搭建Simulink模型目前仍处于"能跑但不完美"的阶段。两种方案虽然仿真不报错，但都无法完全正常运行，说明AI在理解复杂仿真逻辑、参数配置等方面还有明显不足。

具体而言，当前的主要瓶颈包括几个方面：首先，Simulink模型不仅仅是代码，它涉及到物理系统的动态特性建模，AI需要理解控制理论、信号处理等领域知识才能正确配置参数；其次，Simulink模型的模块间连接关系复杂，信号维度、数据类型、采样时间等隐含约束众多，AI目前还难以全面把握。从技术细节来看，一个.slx模型文件本质上是一个压缩的XML包，其中不仅包含模块类型和参数信息，还编码了模块的图形布局坐标、信号线的路由路径、数据类型传播规则、求解器配置等大量隐含信息。在仿真执行时，Simulink引擎需要进行模块排序（确定计算顺序）、代数环检测（处理循环依赖）、采样时间继承（确定各模块的执行频率）等复杂的预处理步骤。AI在生成模型时，不仅要正确选择模块和建立连接，还需要确保信号维度匹配、数据类型兼容、求解器设置合理等——这些隐含约束正是当前AI自动建模的主要难点。最后，不同Simulink模块库（如Simscape物理建模、Stateflow状态机等）各有独特的建模规范，这对AI的专业知识覆盖提出了很高要求。

但这个方向的潜力是肯定的。随着大模型能力的持续提升，以及MathWorks官方Toolkit的不断完善，AI自动搭建Simulink模型的实用性将会快速提高。对于工程师而言，现在正是了解原理、提前布局的好时机。理解了这套工具链的底层逻辑，未来无论工具如何更新迭代，都能快速适应。

核心要点

• AI自动搭建Simulink模型涉及五大工具的协同配合，每个工具在工具链中都有明确的角色定位
• DeepSeek凭借MoE架构提供高性价比的推理能力，Claude Code则以更强的代码编辑能力见长，两种方案各有取舍
• SiliconFlow作为API网关层实现多模型统一调度，基于OpenAI兼容的API标准格式降低了模型切换成本
• Simulink Agentic Toolkit是连接AI与Simulink的关键桥梁，基于AI Agent的Function Calling机制实现工具调用
• Git为AI辅助开发中的不确定性提供版本回溯保障，大幅降低试错成本
• 当前技术仍处于早期阶段，Simulink模型的隐含约束（信号维度、数据类型、求解器配置等）是AI自动建模的主要瓶颈
• 理解工具链的分层架构原理，比死记安装步骤更有长期价值